相关实验视频
Updated: Jun 10, 2026
10:32
Development of a Virtual Reality Assessment of Everyday Living Skills
Published on: April 23, 2014
19.0K
机器学习模型的开发,外部验证和整合到临床工作流程中,以支持英国的手术前评估
Alwyn Kotzé1,2, Tom Lawton3,4, Simon J Howell2
1Leeds Teaching Hospitals NHS Trust, Leeds, UK.
Anaesthesia
|September 15, 2025
概括
这项研究将电子健康记录与机器学习相结合,以改善手术患者的手术前风险分层. 开发的模型准确地识别了较低风险的患者,有助于减少手术积压.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 手术风险分层的分层化
背景情况:
- 随着手术需求的增加和患者的复杂性,需要改进手术前评估.
- 目前的手术前工作流程依赖于手动任务,缺乏实时数据,阻碍了效率,并导致手术积压.
- 英格兰NHS要求在等待手术的患者中进行风险分层和优化.
研究的目的:
- 开发和验证用于手术前风险分层的机器学习模型,使用实时电子健康记录数据.
- 将这些模型整合到手术前实时评估系统 (Smart PreOp) 中,以便直接临床应用.
- 通过实现自动数据检索和风险分类来解决当前手术前工作流程的局限性.
主要方法:
- 在Smart PreOp系统和NHS英格兰的GP Connect之间建立了经过认证的电子链接,以访问全科医生数据.
- 开发了机器学习模型来预测美国麻醉学会 (ASA) 的身体状态和30天术后死亡风险.
- 限制变量选择对所有英国手术患者的电子可用的实时数据进行限制,包括程序,人口统计和药物.
主要成果:
- 在超过178,000名患者的外部验证中,用于识别低风险患者 (ASA身体状况1或2) 的高精度 (0.95) 和回忆 (0.69) 得到了证明.
- 死亡率预测模型显示出良好的区别,但需要医院特定的校准,支持本地化模型的需求.
- 智能PreOp系统的架构支持医院特定的建模和更新.
结论:
- 综合系统开发和预测建模可以产生准确,可实施的电子健康记录 (EHR) 预测模型.
- 开发的模型显示了直接实施到EHR系统中的希望,以加强手术前护理.
- 需要进一步的前性研究来评估这些综合工具的临床影响和可接受性.
